Elaboramos bases de datos, de mecanismos de recogida y procesamiento de información, para la posterior elaboración de una red neuronal que permita predecir problemas en materia de salud física como psicológica.
Autores de la investigación
Adrián Vélez
(Ingeniero Informático)
Jorge Guerrero
(Ingeniero informático, máster en Big Data)
José Antonio Betances
(Ingeniero informático, máster en Inteligencia Artificial)
En esta investigación comprobaremos si es posible predecir, mediante el análisis de variables biomédicas y psicométricas, patologías como obesidad, enfermedades del corazón, incluyendo enfermedad coronaria e infarto, presión arterial alta, colesterol alto, accidentes cerebrovasculares, síndrome metabólico, diabetes tipo 2, ciertos tipos de cáncer, incluidos los de colon, seno y de útero.
De igual modo trataremos de predecir trastornos psicológicos como depresión, ansiedad generalizada, conductas adictivas, etc. Para el desarrollo de esta investigación se ha empleado el Apple Watch.
Palabras clave: Big data, IA, predicción, patología, enfermedad, salud mental.
In this research we will test whether it is possible to predict, through the analysis of biomedical and psychometric variables, pathologies such as obesity, heart disease, including coronary heart disease and stroke, high blood pressure, high cholesterol, stroke, metabolic syndrome, type 2 diabetes, certain types of cancer, including colon, breast and uterine cancer.
Likewise, we will try to predict psychological disorders such as depression, generalized anxiety, addictive behaviors, etc. The Apple Watch has been used for the development of this research.
Keywords: Big data, IA, prediction, pathology, disease, mental health.
El proyecto de las prácticas de empresa está en desarrollo, siguiendo la planificación establecida en la primera sesión de trabajo. En ella se estableció que debía ayudar a montar y probar un sistema de captación de datos biométricos mediante un smartwatch. Para ello, lo primero que hice fue investigar los distintos tipos de smartwatches y smartband que hay en el mercado y que fueran fáciles de conseguir, especialmente a través de plataformas como Amazon, o las propias de varias de las marcas.
Tras realizar dicha investigación, realicé una tabla comparativa de los distintos modelos que había en el mercado y la presente a la empresa para que ellos decidieran cuál de ellos era el más adecuado para el proyecto, ya que no todos tienen las mismas características de sensores, programación y conexión.
Tras la evaluación de cada uno de los modelos presentados en la tabla, me mandaron el elegido para que pudiera recopilando datos, en este caso una smartband Xiaomi 6. Después, entré en el desarrollo del método de analizar los datos en streaming.
Esto consiste en desarrollar un programa que permite enlazar los datos mandados por la smartband a un proyecto situado en Google Cloud Platform, que es una serie de servicios propios proporcionados por Google entre los que se encuentran distintas herramientas para el tratamiento de datos de forma remota, con los que se desarrollará tanto el curso como el proyecto. En dicha plataforma se ha creado un proyecto donde se guardarán los datos recogidos de la smartband, mediante el uso de las técnicas de streaming necesarias para hacerlo.
Busqué diferentes marcas y modelos de smartwatches y smartbands para ver cual de ellos tenía mejores características (poder leer el ritmo cardíaco, niveles de oxígeno en sangre, pasos etc…).
Para el desarrollo de las prácticas he tenido que utilizar los siguientes recursos:
Las tareas han sido muy satisfactorias. Yo partía de un conocimiento previo suficiente de las principales áreas de trabajo y herramientas a utilizar. Las prácticas me han aportado un conocimiento más profundo de las herramientas empleadas.
Los problemas que se me han planteado durante las prácticas han resultado bastante asequibles a mis conocimientos, aunque no tuviera conocimiento en el área específica de programación en la nube, que pudo ser solucionada mediante la realización de un curso en la plataforma Coursera. Aun así, todos se han planteado y ejecutado con seriedad y persistencia, sin miedo a pedir ayuda para su resolución.
Antes de las prácticas, mi conocimiento de las aplicaciones y programación en la nube era prácticamente nulo, y ahora he adquirido conocimiento, aunque todavía a un nivel básico, para programación en la nube.
Por otro lado, mi conocimiento previo del lenguaje Python, su estructura y librerías, así como una perspectiva de cómo estructurar los datos para su posterior almacenamiento y uso para la minería de datos ha permitido una profundización significativa con dichas prácticas.
Las prácticas han sido muy satisfactorias, tanto por los conocimientos adquiridos como por los retos superados, que mediante las explicaciones y perspectiva sé que serán muy útiles en el futuro, tanto para la empresa como para mí, debido a la gran importancia que tendrán tanto los conocimientos en el lenguaje Python como la capacidad de hacer streaming y otros tipos de computación en la nube.
La idea de las prácticas era desarrollar un modelo que pudiese predecir enfermedades para una serie de datos introducidos. Al principio no se tenía claro cómo abordar el problema, por lo que se tuvieron que hacer varias reuniones para encontrar las vías posibles, además de encontrar los datos. Fue así como se encontró la base de datos «Disease Symptom Prediction» en Kaggle, la cual, fue la que se usó para entrenar el modelo. Así, con Google Collab, y Tensor Flow 2.6, se entrenó una red neuronal, que alcanzó una excelente precisión al primer intento. Luego de un proceso de poda y optimización, se obtuvo una red de 1781 parámetros que hacía perfectamente el trabajo.
Se obtuvieron algunos datos cardíacos recolectados por un smartwatch, con la idea de hacer algo con ellos, pero no se encontró manera de minarlos. El departamento de la empresa en donde estuve haciendo las prácticas fue el de Ingeniería, con Adrian Anselmo Vélez como director.
Se han utilizado bases de datos de Kaggle y datos recolectados de Smartwatches, aunque solo ha podido hacerse algo útil con lo primero. Se entrenó un modelo hecho con Tensor Flow 2.6, usando Google collab.
Las lecciones recibidas en materias como Sistemas Cognitivos Artificiales o Aprendizaje Automático fueron de mucha ayuda. Gracias a ello, entrenar la red neuronal fue muy sencillo, al igual que la evaluación de su desempeño.
El problema planteado fue el de entrenar una red neuronal que predijese enfermedades, para una serie de síntomas introducidos. Se usó un dataset de Kaggle, y se entrenó una red neuronal. Se entregó un notebook de jupyter para mostrar el método de entrenamiento, y otro de demostración para hacer las predicciones.
Si bien no puedo decir que lo hecho en las prácticas haya sido especialmente desafiante, me parece que ha sido muy nutritivo para mi desarrollo profesional. El modelo alcanzó una precisión de casi 1 para el conjunto de pruebas, cosa que rara vez sucede, y el hecho de haber trabajado con un equipo de personas que me apoyaron en todo momento supuso para mí una gran motivación.
No puedo hacer un solo comentario negativo de mi experiencia en las prácticas. Me he topado con gente muy colaborativa y profesional, que me han apoyado en todo lo que he necesitado. La única cosa que lamentaría fue que no hubo tiempo para hacer algo más potente que involucrase procesado de lenguaje natural o cosas más sofisticadas.
Comparte esta investigación:
EMOBOTICS, UNA DE LAS CINCO MEJORES STARTUP DE LA RIOJA Y ENTRE LAS 85 MEJORES IDEAS DE NEGOCIO EN ESPAÑA. Emobotics Inteligencia Emocional Artificial S.L
Cómo garantizar la seguridad de los datos en una app de salud 26/11/2021 Diana Bedoya (Subdirectora de Emobotics) 1. Las apps de salud El desarrollo
Copyright Emobotics 2021